Régression logistique avec R



Documents pareils
Exercices M1 SES Ana Fermin ( fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Un exemple de régression logistique sous

Données longitudinales et modèles de survie

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://

«Cours Statistique et logiciel R»

Moments des variables aléatoires réelles

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

Chapitre 3. Les distributions à deux variables

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

3 Approximation de solutions d équations

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

Exercices Corrigés Premières notions sur les espaces vectoriels

Simulation de variables aléatoires

Programmes des classes préparatoires aux Grandes Ecoles

La fonction exponentielle

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

Université Paris-Dauphine DUMI2E 1ère année, Applications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Résolution d équations non linéaires

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.

Probabilités sur un univers fini

Principe d un test statistique

PROBABILITES ET STATISTIQUE I&II

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Fonctions de plusieurs variables

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

NON-LINEARITE ET RESEAUX NEURONAUX

TABLE DES MATIERES. C Exercices complémentaires 42

Le modèle de Black et Scholes

Travaux dirigés d introduction aux Probabilités

Cours de méthodes de scoring

Méthodes de Simulation

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

La classification automatique de données quantitatives

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Lois de probabilité. Anita Burgun

Programmation linéaire

Probabilités sur un univers fini

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Les indices à surplus constant

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du Baccalauréat S Amérique du Nord mai 2007

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Optimisation, traitement d image et éclipse de Soleil

Classification non supervisée

Exercice : la frontière des portefeuilles optimaux sans actif certain

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Etude des propriétés empiriques du lasso par simulations

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

3. Conditionnement P (B)

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Relation entre deux variables : estimation de la corrélation linéaire

Structures algébriques

STATISTIQUES. UE Modélisation pour la biologie

données en connaissance et en actions?

Arbres binaires de décision

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

Représentation des Nombres

Eteindre. les. lumières MATH EN JEAN Mme BACHOC. Elèves de seconde, première et terminale scientifiques :

Arithmétique binaire. Chapitre. 5.1 Notions Bit Mot

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

La mesure de Lebesgue sur la droite réelle

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

Statistiques Descriptives à une dimension

Chapitre 2 Le problème de l unicité des solutions

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Modèles pour données répétées

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Correction de l examen de la première session

Calcul différentiel sur R n Première partie

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

Programmation linéaire et Optimisation. Didier Smets

Théorème du point fixe - Théorème de l inversion locale

Leçon N 4 : Statistiques à deux variables

IBM SPSS Regression 21

Capes Première épreuve

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

UFR de Sciences Economiques Année TESTS PARAMÉTRIQUES

Cours de Tests paramétriques

Chapitre 5 : Flot maximal dans un graphe

Intégration et probabilités TD1 Espaces mesurés Corrigé

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Table des matières. I Mise à niveau 11. Préface

Introduction à l approche bootstrap

Que faire lorsqu on considère plusieurs variables en même temps?

Analyse de la variance Comparaison de plusieurs moyennes

Théorie et Codage de l Information (IF01) exercices Paul Honeine Université de technologie de Troyes France

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Chaînes de Markov au lycée

Chapitre 1 Régime transitoire dans les systèmes physiques

Transcription:

Université Rennes 2, UFR Sciences Sociales Régression logistique avec R Université Rennes 2 Place du Recteur H. le Moal CS 24307-35043 Rennes Tel : 02 99 14 18 06 Mel : laurent.rouviere@univ-rennes2.fr

Table des matières 1 Introduction 5 1.1 Rappels sur le modèle linéaire.............................. 5 1.2 Le modèle linéaire généralisé : GLM........................... 6 1.2.1 La régression logistique.............................. 6 1.2.2 La régression log-linéaire............................. 9 1.2.3 Généralisation : GLM.............................. 10 1.3 Exemples de fonctions de liens pour la régression d une variable binaire....... 11 2 Analyse discriminante logistique 13 2.1 Le modèle statistique................................... 13 2.1.1 L échantillonnage................................. 13 2.1.2 Identifiabilité du modèle............................. 14 2.2 L estimateur du maximum de vraisemblance...................... 15 2.2.1 La vraisemblance................................. 15 2.2.2 Comportement asymptotique de l estimateur du maximum de vraisemblance 16 2.3 L algorithme IRLS.................................... 18 2.3.1 Rappel sur l algorithme de Newton-Raphson.................. 18 2.3.2 Calcul des estimateurs.............................. 18 2.4 Dimensions explicatives, variables explicatives..................... 19 2.4.1 Variable explicative quantitative......................... 19 2.4.2 Variable explicative qualitative......................... 20 2.4.3 Interactions.................................... 21 2.5 Interprétation des coefficients β............................. 22 2.6 Précision des estimateurs et tests............................ 24 2.6.1 Loi asymptotique................................. 24 2.6.2 Intervalles de confiance.............................. 24 2.6.3 Tests de nullité de q coefficients libres...................... 26 2.7 Le schéma d échantillonnage rétrospectif........................ 28 2.8 Un exemple avec R.................................... 30 2.8.1 Modèles simples................................. 30 2.8.2 Encore d autres modèles............................... 32 3 Sélection et validation de modèles 35 3.1 Sélection ou choix de modèle............................... 35 3.1.1 Un outil spécifique : la déviance......................... 35 3.1.2 Test de déviance entre 2 modèles emboîtés................... 38 3.1.3 Critère de choix de modèles........................... 38 3.1.4 Apprentissage/validation............................. 39

4 Table des matières 3.1.5 Validation croisée................................. 41 3.1.6 Sélection automatique.............................. 43 3.2 Validation du modèle................................... 46 3.2.1 Test d adéquation de la déviance........................ 46 3.2.2 Test d Hosmer Lemeshow............................ 47 3.2.3 Analyse des résidus................................ 47 3.2.4 Points leviers et points influents......................... 52 4 multi-classes 55 4.1 Le modèle saturé ou modèle multinomial........................ 55 4.2 Modèle polytomique ordonné............................... 56 4.2.1 Cas binaire.................................... 56 4.2.2 Généralisation................................... 57 4.2.3 L égalité des pentes................................ 59 4.2.4 Le test d égalité des pentes............................ 60 4.3 Le modèle polytomique nominal............................. 61 4.3.1 Le modèle..................................... 61 4.3.2 Estimation et interprétation des paramètres.................. 62 Annexes 65 A.1 Rappels sur la méthode du maximum de vraisemblance................ 65 A.2 Echantillonnage Rétrospectif............................... 67 A.3 Exercices.......................................... 69 A.4 Correction......................................... 73 Bibliographie 77 Annales 78

Chapitre 1 Introduction Notations : X = (1, X 1,..., X p ) : vecteur aléatoire de dimension p + 1, les marginales X j sont les variables explicatives. On note également x = (1, x 1,..., x p ) une réalisation de X ; Y variable (univariée) à expliquer. (X 1, Y 1 ),..., (X n, Y n ) : un n-échantillon aléatoire (i.i.d. et de même loi que le couple (X, Y )), tel que X i = (1, X i1,..., X ip ) ; (x 1, y 1 ),..., (x n, y n ) une réalisation de (X 1, Y 1 ),..., (X n, Y n ). X : la matrice des observations : 1 x 11... x 1p X =.... 1 x n1... x np 1.1 Rappels sur le modèle linéaire Le contexte Nous cherchons à expliquer une variable Y par p variables X = (1, X 1,..., X p ). Pour ce faire, on dispose de n réalisations (x 1, y 1 ),..., (x n, y n ) du couple (X, Y ). Le but est de modéliser la dépendance de la variable réponse Y sur les variables explicatives X 1,..., X p. Plusieurs raisons peuvent motiver cette modélisation : la description : on veut un modèle qui permette de décrire la relation entre Y et X ; l évaluation des contributions relatives de chaque prédicteur pour expliquer Y ; la prédiction : prévoir la valeur de Y pour des nouvelles valeurs des variables explicatives. On rappelle que le modèle linéaire s écrit :. Y = X β + ǫ = β 0 + β 1 X 1 +... + β p X p + ǫ, avec β = (β 0, β 1,..., β p ) R p+1 et ǫ N (0, σ 2 ). On distingue alors deux cas : Les variables X i sont déterministes (non aléatoires) : Les variables X i sont aléatoires : Y N (X β, σ 2 ), E[Y ] = X β ; (Y X) N (X β, σ 2 ), E[Y X] = X β.

6 Introduction Plaçons nous maintenant dans le cas où la variable à expliquer Y est qualitative (sexe, couleur, présence ou absence d une maladie...) et possède un nombre fini de modalités g 1,..., g m. Le problème consiste alors à expliquer l appartenance d un individu à un groupe à partir des p variables explicatives, on parlera de discrimination au lieu de régression. Il est bien entendu impossible de modéliser directement la variable Y par une relation linéaire (imaginons que Y soit le sexe d une personne ou la couleur de ses cheveux). Afin de pallier cette difficulté, on va s intéresser aux probabilités P(Y = g k X = x). Supposons pour simplifier que la variable Y prenne uniquement deux valeurs : 0 ( groupe 0 ) ou 1 ( groupe 1 ). La connaissance de P(Y = 1 X = x) implique celle de P(Y = 0 X = x) : il suffit par conséquent de modéliser la probabilité p(x) = P(Y = 1 X = x). On peut par exemple envisager une relation de la forme p β (x) = β 0 + β 1 x 1 +... + β p x p + ε = x β + ε. Cette approche possède plusieurs inconvénients : Remarquons tout d abord que la variance de Y X = x vaut p β (x)(1 p β (x)). Contrairement au modèle linéaire traditionnel, cette variance n est pas constante et par conséquent l hypothèse d homoscédasticité des résidus ne sera pas vérifiée. Le fait qu aucune restriction ne soit effectuée sur les β implique que x β peut prendre n importe quelle valeur dans R. Ce fait est gênant pour l estimation d une probabilité (imaginer une estimation du genre P ˆβ(Y = 1 X = x) = 1297.56!!!). Pour ces raisons, nous devons étendre le modèle linéaire classique aux cas où : Y peut être une variable qualitative (présence ou absence d une maladie, appartenance à une catégorie...) ; les erreurs peuvent ne pas avoir la même variance (s affranchir de l hypothèse d homoscédasticité). 1.2 Le modèle linéaire généralisé : GLM 1.2.1 La régression logistique Nous nous plaçons tout d abord dans un contexte de classification binaire, c est-à-dire que nous supposons qu il existe seulement deux groupes à discriminer. Nous verrons dans le chapitre 4 comment étendre les techniques à des modèles multiclasses (plus de deux groupes). Exemple 1.1 Nous souhaitons expliquer la variable Y présence (1)/ absence (0) d une maladie cardio-vasculaire (Chd) par l âge des patients. Les données sont représentées sur la figure 1.1.

1.2 Le modèle linéaire généralisé : GLM 7 chd 0.0 0.2 0.4 0.6 0.8 1.0 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 20 30 40 50 60 70 age Figure 1.1 Représentation directe de Chd (variable à expliquer Y ) en fonction de l âge (variable explicative X). * * * * * Cette figure montre qu il est difficile de modéliser les données brutes, la variabilité de la variable CHD est élevée pour tout âge. Une méthode permettant de réduire cette variabilité consiste à regrouper les patients par classe d âge. Nous obtenons le tableau suivant : CHD Age Effectif Absent Présent % Présent ]19 ;29] 10 9 1 0.1 ]29 ;34] 15 13 2 0.133333 ]34 ;39] 12 9 3 0.25 ]39 ;44] 15 10 5 0.333333 ]44 ;49] 13 7 6 0.461538 ]49 ;54] 8 3 5 0.625 ]54 ;59] 17 4 13 0.764706 ]59 ;69] 10 2 8 0.8 Table 1.1 Données regroupées en classe d âge. La liaison entre l âge et la présence de la maladie devient beaucoup plus claire. Il apparaît en effet que lorsque l âge augmente, la proportion d individus atteint par la maladie augmente. La figure 1.2 permet d évaluer cette liaison : elle apparaît nettement sous la forme d une courbe sigmoïde (en forme de S ). Il semblerait donc naturel de modéliser cette proportion de malades par classe d âge en fonction de l âge par une courbe sigmoïde.

8 Introduction chd 0.0 0.2 0.4 0.6 0.8 1.0 o o o o o o o o 20 40 60 80 age Figure 1.2 Fréquence de Chd par classe d âge en fonction de l âge. La colonne moyenne du tableau 1.1 fournit une estimation de E[Y X = x] pour chaque classe d âge. Nous pouvons donc proposer une modélisation de l espérance conditionnelle de E[Y X = x] : E[Y X = x] = h β (x) où l allure de la courbe représentative de h β est une sigmoïde. Plusieurs fonctions h β peuvent naturellement être utilisées. Pour le modèle logistique on considère la fonction h(x) = exp(x)/(1 + exp(x)), ce qui donne le modèle où encore E[Y X = x] = p(x) = exp(β 0 + β 1 x) 1 + exp(β 0 + β 1 x), ( ) p(x) logit p(x) = log = β 0 + β 1 x, 1 p(x) logit désignant la fonction bijective et dérivable de ]0, 1[ dans R : p log(p/(1 p)) (voir figures 1.3 et 1.4). Nous verrons qu une telle modélisation permettra de retrouver un grand nombre des bonnes propriétés du modèle linéaire. 3 2 1 0 1 2 3 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Figure 1.3 Fonction logit. 3 2 1 0 1 2 3 Figure 1.4 Fonction inverse de logit.

1.2 Le modèle linéaire généralisé : GLM 9 La loi conditionnelle de la variable d intérêt diffère entre le modèle logistique et le modèle linéaire. Dans le modèle de régression linéaire Y = β 0 + β 1 X + ε, on fait l hypothèse que les résidus ε suivent une loi N (0, σ 2 ). Il vient Y X = x N (β 0 + β 1 x, σ 2 ). Pour le modèle logistique, pour une observation x de la variable explicative, on peut exprimer la variable d intérêt comme suit : Y = p(x) + ε. La variable aléatoire ε peut prendre simplement deux valeurs : si y = 1 alors ε = 1 p(x) et si y = 0 alors ε = p(x). Par conséquent ε prend pour valeur 1 p(x) avec probabilité p(x) et p(x) avec probabilité 1 p(x) : Y X = x suit une loi de Bernoulli de paramètre p(x). Définition 1.1 (Régression logistique) Soit Y une variable à valeurs dans {0, 1} à expliquer par p variables explicatives X = (1, X 1,..., X p ). Le modèle logistique propose une modélisation de la loi de Y X = x par une loi de Bernoulli de paramètre p β (x) = P β (Y = 1 X = x) telle que : ou encore log p β (x) 1 p β (x) = β 0 + β 1 x 1 +... + β p x p = x β, (1.1) logit p β (x) = x β, logit désignant la fonction bijective et dérivable de ]0, 1[ dans R : p log(p/(1 p)). L égalité (1.1) peut également s écrire p β (x) = P β (Y = 1 X = x) = exp(x β) 1 + exp(x β). Remarque 1.1 Dans un modèle logistique, nous effectuons deux choix pour définir le modèle : 1. le choix d une loi pour Y X = x, ici la loi de Bernoulli ; 2. le choix de la modélisation de P(Y = 1 X = x) par logit P β (Y = 1 X = x) = x β. La fonction logit est bijective et dérivable. Elle est appelée fonction de lien. Remarquons également que E β [Y X = x] = P β (Y = 1 X = x) ( ) V β (Y X = x) = P β (Y = 1 X = x) 1 P β (Y = 1 X = x) ce qui implique que la variance n est pas constante et varie selon x. 1.2.2 La régression log-linéaire Dans le modèle logistique la variable à expliquer est une variable binaire. Le modèle log-linéaire traite le cas d une variable de comptage. Voici quelques exemples : nombre de catastrophes aériennes sur une période donnée ; nombre de voitures à un feu rouge ; nombre d accidents par jour sur une autoroute...

10 Introduction Définition 1.2 (Régression log-linéaire) Soit Y une variable de comptage à expliquer par le vecteur X = (1, X 1,..., X p ). Le modèle log-linéaire propose une modélisation de la loi de Y X = x par une loi de poisson de paramètre λ = λ(x) telle que : log E[Y X = x] = x β. Pour une nouvelle mesure x effectuée, le modèle log-linéaire va donc prédire la valeur exp(x β). Remarque 1.2 Ici encore, deux choix sont effectués pour définir le modèle : 1. le choix d une loi pour Y X = x, ici la loi de Poisson ; 2. le choix de la modélisation de E(Y X = x) par log E[Y X = x] = x β. La fonction log est bijective et dérivable. 1.2.3 Généralisation : GLM On peut résumer les remarques précédentes par le tableau : Choix logistique log-linéaire linéaire loi de Y X = x Bernoulli Poisson Normale modélisation de logit E[Y X = x] = x β log E[Y X = x] = x β E[Y X = x] = x β E[Y X = x] Une généralisation de ces méthodes est appelée GLM (Generalized Linear Model). L approche GLM consiste à : 1. choisir une loi pour Y X = x parmi un ensemble restreint de lois (les lois exponentielles GLM) ; 2. choisir une fonction de lien g(.) parmi une ensemble réduit de fonctions bijectives et dérivables. 3. la transformation de l espérance conditionnelle E[Y X = x] par la fonction g est ensuite modélisée par une fonction η qui n est autre qu une combinaison linéaire des variables explicatives : g (E[Y X = x]) = η(x) = x β. On peut résumer un modèle GLM par le schéma suivant :

1.3 Exemples de fonctions de liens pour la régression d une variable binaire 11 A expliquer composante aléatoire Y X = x suit une loi fixée. Lien E[Y X = x] dépend de η(x) au travers de la fonction g appelée fonction de lien g(e[y X]) = η(x) g est une fonction inversible. Explicatif Composante systématique On modélise η par une combinaison linéaire des X j η(x) = p x j β j j=0 Remarque 1.3 1. Pour choisir un modèle GLM il faut choisir la loi de Y X = x dans la famille exponentielle des GLM. choisir une fonction de lien inversible g. 2. Pour utiliser un modèle GLM il faudra donc estimer les paramètres β = (β 0, β 1,..., β p ). Une fois cette estimation réalisée, on disposera d une estimation de η(x) ainsi que de E[Y X = x] = g 1 (η(x)). Le tableau 1.2 donne quelques exemples de GLM. Loi Nom du lien Fonction de lien Bernoulli/Binomiale lien logit g(µ) = logit (µ) = log(µ/(1 µ)) Poisson lien log g(µ) = log(µ) Normale lien identité g(µ) = µ Gamma lien réciproque g(µ) = 1/µ Table 1.2 Exemples de GLM. 1.3 Exemples de fonctions de liens pour la régression d une variable binaire D autres fonctions de lien que logit peuvent être utilisées dans le cas où la variable à expliquer Y est binaire. On trouve notamment dans la littérature les transformations : probit, qui n est autre que l inverse de la fonction de répartition de la loi normale centrée réduite : p [0, 1], probit(p) = ǫ avec 1 ǫ 2π exp ( 12 ) u2 du = p. log-log définie par : p [0, 1], log-log(p) = log( log(1 p)). Ces transformations sont représentées sur la figure 1.5.

12 Introduction 4 2 0 2 4 0.0 0.2 0.4 0.6 0.8 1.0 Figure 1.5 Fonctions de liens : probit (trait plein), logit (tirets), log-log (pointillés). Des trois fonctions de lien présentées, la transformation log-log est bien appropriée aux cas où l on souhaite modéliser les probabilités de succès de manière asymétrique. Les transformations logit et probit possèdent des propriétés identiques. Dans de nombreux cas, on préfère utiliser la transformation logistique. Plusieurs raisons motivent ce choix : d un point de vue numérique, la transformation logistique est plus simple à manipuler (notamment pour l écriture des estimateurs du maximum de vraisemblance, voir section 2.2) ; on a une interprétation claire des coefficients en terme d odds ratio pour la transformation logistique (voir section 2.5). le modèle logistique est particulièrement bien adapté à un schéma d échantillonnage rétrospectif (voir section 2.7). Nous nous focaliserons dans la suite sur le modèle logistique. Les différents résultats obtenus pourront s étendre aux autres modèles GLM. Il est important de connaître les notations des GLM présentées dans cette partie. C est en effet sous cette forme qu elles sont présentées dans la littérature ainsi que dans la plupart des logiciels statistiques (par exemple sur R). p

Chapitre 2 Analyse discriminante logistique Nous rappelons que Y désigne une variable à expliquer binaire (qui prend 2 valeurs 0 ou 1 pour simplifier) ou un label qui dénote l appartenance à un groupe et X 1,..., X p désignent p variables explicatives. On souhaite : expliquer la variable Y à l aide des p variables explicatives X = (1, X 1,..., X p ) ; étant donnée une nouvelle mesure x des p variables explicatives, prédire le label y associé à cette nouvelle observation. Nous avons vu dans le chapitre précédent que le modèle logistique est défini par logit p β (x) = β 0 + β 1 x 1 +... + β p x p = x β (2.1) où β = (β 0,..., β p ) et x = (1, x 1,..., x p ). Nous nous posons maintenant le problème de l estimation des paramètres β à partir d un échantillon (x 1, y 1 ),..., (x n, y n ). 2.1 Le modèle statistique Les paramètres du modèle logistique sont généralement estimés par la méthode du maximum de vraisemblance (voir annexe A.1). Afin d écrire proprement la vraisemblance, il convient de définir avec précision le modèle statistique dans lequel nous allons nous placer. On rappelle qu un modèle statistique est un couple (H n, P) où H est l espace de chaque observation et P est une famille de lois de probabilité sur H n muni de sa tribu borélienne. 2.1.1 L échantillonnage On note (x 1, y 1 ),..., (x n, y n ) une réalisation d un n-échantillon (X 1, Y 1 ),..., (X n, Y n ) i.i.d. et de même loi que (X, Y ). Sans perte de généralité, nous supposons que l échantillonnage a été réalisé en deux temps : x 1,..., x n est la réalisation d un n-échantillon i.i.d. X 1,..., X n. On note P X la loi de X 1 ; pour i = 1,..., n, y i est généré selon une loi de Bernoulli de paramètre p β (x i ) avec logit p β (x i ) = x β (β R p+1 étant le paramètre à estimer). Nous distinguerons deux structures de données. On parlera de données individuelles lorsque tous les x i sont différents. On appellera alors design l ensemble {x 1,..., x n }. Le modèle est alors défini par M n = { {0, 1} n, {B(p β (x 1 ))... B(p β (x n )), β R p+1 } }.

14 Analyse discriminante logistique données répétées lorsque certaines valeurs de x i sont répétées plusieurs fois (ce qui peut se produire si par exemple P X est discrète à support borné). On note x 1,..., x T les différentes valeurs observées ; n t, t = 1,..., T le nombre de fois où x t a été observé (on a donc T t=1 n t = n) ; y t, t = 1,..., T le nombre de succés (Y = 1) obervé au point x t. On appellera design l ensemble {(x 1, n 1 ),..., (x T, n T )}. Pour cette structure de données, le modèle sera défini par M n = { {0,... n 1 }... {0,... n T }, {Bin(n 1, p β (x 1 ))... Bin(n T, p β (x T )), β R p+1 } }. Exemple 2.1 Dans le cadre d un essai clinique, on teste 2 traitements (A et B) sur n = 220 patients atteints d une pathologie. On reporte dans le tableau 2.1 le nombre de patients qui ont guéri au bout de 3 mois de traitements. Guérisons Non Guérisons A 40 60 B 90 30 Table 2.1 Exemple de données répétées. Nous sommes ici en présence de données répétées. Un individu (x, y) est un patient (x représente le traitement subi et y vaut 1 si le patient a guéri au bout de 3 mois, 0 sinon). Le design est {(A, 100), (B, 120)} et on a y 1 = 40 et y 2 = 90. Les propriétés des estimateurs sont très proches pour ces deux types de données. Néanmoins, certains concepts tels que la forme de la vraisemblance où les tests d adéquation par la déviance peuvent légèrement différer. Dans ce chapitre, nous nous focalisons sur le cas de données individuelles (qui est le cas le plus fréquent). Pour une étude plus approfondie du cas des données répétées, nous renvoyons le lecteur à l annexe A.3 (pour l écriture de la vraisemblance) ou aux ouvrages de Hosmer & Lemeshow (2000) et Collet (2003). 2.1.2 Identifiabilité du modèle On rappelle qu un modèle {H, {P θ, θ Θ}} est identifiable si θ P θ est injective. Dit brutalement, un modèle est dit identifiable si deux paramètres différents définissent deux lois différentes. Exemple 2.2 Plaçons nous dans le cadre de la régression d une variable binaire par une variable explicative à deux modalités A et B. On considère le modèle logistique M 1 = { {0, 1}, {B(p β (x)), β R 3 } } où logit p β (x) = β 0 + β 1 1 x=a + β 2 1 x=b = β 0 + β 1 (1 1 x=b ) + β 2 1 x=b = (β 0 + β 1 ) + 01 x=a + (β 2 β 1 )1 x=b Si on pose β = (β 0 β 1, 0, β 2 β 1 ) on a β β et p β (x) = p β(x). M 1 n est donc pas identifiable. Une solution classique consiste à mettre une contrainte sur les coefficients. Si par exemple, on pose β 2 = 0 alors le modèle M 1 = { {0, 1}, {B(p β (x)), β R 2 } } où logit p β (x) = β 0 + β 1 1 x=a est identifiable.

2.2 L estimateur du maximum de vraisemblance 15 Propriété 2.1 Le modèle M n est identifiable si et seulement si rang(x) = p + 1. Preuve. Soit β β. Par définition M n est identifiable si et seulement si il existe i n tel que p β (x i ) p β(x i ). Supposons que : 1 i n, x i β = x i β. On a alors α 0 1. + α 1 1 x 11. x n1 +... + α p x 1p. x np = 0 avec α = β β 0. Une colonne de X est donc combinaison linéaire des autres, d où rang(x) < p + 1. 2.2 L estimateur du maximum de vraisemblance 2.2.1 La vraisemblance On se place dans le cas de données individuelles. La vraisemblance du modèle (identifiable) M n est définie par : L n : {0, 1} n R p+1 R + (y 1,..., y n, β) B(p β (x 1 ))... B(p β (x n ))({y 1,..., y n }). Remarque 2.1 Si on désigne par Y i une variable aléatoire de loi B(p β (x i )) alors les variables Y 1,..., Y n sont indépendantes mais pas de même loi. Lorsqu il n y aura pas de confusion possible, on commetra l abus de notation L n (y 1,..., y n, β) = L n (β). Calculons la vraisemblance. On a L n (β) = n P β (Y = y i X = x i ) = i=1 n p β (x i ) y i (1 p β (x i )) 1 y i. i=1 En passant au log nous obtenons L n (β) = = n {y i log(p β (x i )) + (1 y i ) log(1 p β (x i ))} i=1 n i=1 { ( ) } pβ (x i ) y i log + log(1 p β (x i )), 1 p β (x i ) ou encore, d après (2.1), L n (β) = n {y i x iβ log(1 + exp(x iβ))}. (2.2) i=1

16 Analyse discriminante logistique Le vecteur gradient au point β défini par L n (β) = [ L n β 0 (β),..., Ln β p (β)] s obtient par dérivation L n β j (β) = = n [ y i x ij x ij exp(x i β) ] 1 + exp(x i β) n [x ij (y i p β (x i ))]. i=1 i=1 Ce qui donne en écriture matricielle L n (β) = n [x i (y i p β (x i ))] = X (Y P β ) i=1 où Y = (y 1,..., y n ) et P β = (p β (x 1 ),..., p β (x n )). L estimateur du maximum de vraisemblance (si il existe) est solution de l équation (appelée équation du score) : S(β) = L n (β) = X (Y P β ) = 0. (2.3) On rappelle que si cette équation admet une solution en β notée g(y 1,..., y n ) (et que cette solution est un maximum de L n (β)) alors l estimateur du maximum de vraisemblance est ˆβ = g(y 1,..., Y n ). Trouver explicitement ˆβ n est pas possible. En effet, l équation (2.3) se réécrit : exp(β 1 x 11 +... + β p x 1p ) x 11 y 1 +... + x n1 y n = x 11 1 + exp(β 1 x 11 +... + β p x 1p ) +... + x exp(β 1 x n1 +... + β p x np ) n1 1 + exp(β 1 x n1 +... + β p x np ). exp(β 1 x 11 +... + β p x 1p ) x 1p y 1 +... + x np y n = x 1p 1 + exp(β 1 x 11 +... + β p x 1p ) +... + x exp(β 1 x n1 +... + β p x np ) np 1 + exp(β 1 x n1 +... + β p x np ). Ce système (qui n est pas linéaire en β) n admet pas de solution analytique. On a donc recours à des méthodes numériques qui nécessitent de connaître d éventuelles propriétés sur la régularité de la fonction à optimiser (en terme de convexité par exemple).. 2.2.2 Comportement asymptotique de l estimateur du maximum de vraisemblance Définition 2.1 Le nuage de points est dit : complètement séparable si β R p+1 : i tel que Y i = 1 on a x i β > 0 et i tel que Y i = 0 on a x iβ < 0 ; quasi-complètement séparable si β R p+1 : i tel que Y i = 1 on a x iβ 0, i tel que Y i = 0 on a x i β 0 et {i : x i β = 0} ; en recouvrement s il n est ni complètement séparable ni quasi-complètement séparable (voir figure 2.1).

2.2 L estimateur du maximum de vraisemblance 17 Figure 2.1 Exemple de séparabilité complète (gauche), quasi-complète (milieu) et de recouvrement (droite). Le théorème suivant nous assure la convergence d un algorithme itératif vers ˆβ et nous donne le comportement asymptotique de l estimateur du maximum de vraisemblance. Considérons le jeu d hypothèses suivant : H 1 : rang(x) = p + 1. H 2 : on est en situation de recouvrement. H 3 : la matrice E[XX ] existe et est définie positive. Théorème 2.1 1. Sous les hypothèses H 1 et H 2 la log-vraisemblance β L n (β) est strictement concave : ˆβ existe et est unique. 2. Sous H 3 on a (a) la convergence en probabilité de ˆβ vers β quand n. (b) la loi asymptotique de l estimateur du maximum de vraisemblance n( ˆβ β) N (0, I(β) 1 ), où I(β) est la matrice d information de Fisher (de dimension (p + 1) (p + 1)) au point β : [ 2 ] I(β) kl = E L 1 (Y, β), 0 k, l p, β k β l où avec un léger abus de notation I(β) kl désigne le terme de la (k + 1) ème ligne et (l + 1) ème colonne de I(β). Pour la preuve de la concavité, on pourra se référer au polycopié de Guyon (2005) ou à l article de Albert & Anderson (1984). La loi asymptotique découle de la théorie du maximum de vraisemblance (voir annexe A.1 et Antoniadis et al (1992) pour une preuve détaillée). La concavité a une conséquence numérique importante puisqu elle justifie qu un algorithme itératif convergera bien vers la valeur de ˆβ. Il n y a donc pas de risque de converger vers un maximum local non global et la convergence de l algorithme ne dépend pas du point d initialisation de l algorithme. Pour la convergence en probabilité et la normalité asymptotique, on pourra regarder Fahrmeir & Kaufmann (1985).

18 Analyse discriminante logistique 2.3 L algorithme IRLS Deux algorithmes sont généralement implémentés sur les logiciels de statistique pour calculer les estimateurs du maximum de vraisemblance : l agorithme du score de Ficher et l algorithme IRLS (Iterative Reweighted Least Square). Nous présentons ici uniquement le second algorithme. 2.3.1 Rappel sur l algorithme de Newton-Raphson La méthode de Newton-Raphson permet une résolution numérique des équations du score. Pour simplifier les notations, nous supposons que β est univarié. On part tout d abord d une valeur initiale arbitraire de β, notée β 0 et on désigne par β 1 = β 0 + h une valeur candidate pour être solution de S(β) = 0, c est-à-dire S(β 0 + h) = 0. Par un développement limité à l ordre un de la fonction S, on obtient l approximation suivante : S(β 0 + h) S(β 0 ) + hs (β 0 ). Comme S(β 0 + h) = 0, on obtient pour h la valeur suivante : et donc h = [S (β 0 )] 1 S(β 0 ) β 1 = β 0 [S (β 0 )] 1 S(β 0 ). Dans le cas qui nous concerne β R p+1 et S(β) = L n (β). La formule de récurrence se traduit par β 1 = β 0 [ 2 L n (β 0 )] 1 L n (β 0 ) où 2 L n (β 0 ) désigne la matrice hessienne de la log-vraisemblance au point β 0 : [ ] 2 L n (β 0 2 L ) kl = (β 0 ), 0 k, l p β k β l où nous comettons toujours l abus de désigner par 2 L n (β 0 ) kl le terme de la (k + 1) ème ligne et (l + 1) ème colonne de 2 L n (β 0 ). Le processus est ensuite itéré jusqu à convergence. Il se résume de la manière suivante : 1. choix d un point de départ β 0 ; 2. On construit β k+1 à partir de β k β k+1 = β k + A k L n (β k ), où L n (β k ) est le gradient au point β k et A k = ( 2 L n (β k )) 1 est la matrice de pas de l algorithme (l inverse du hessien de L n au point β k ). 2.3.2 Calcul des estimateurs { } Calculons la matrice hessienne 2 2 L n (β) L n (β) = : β k β l 0 k,l p 2 L n n (β) = x k i x l exp(x i β) n i β k β l (1 + exp(x = x k i β))2 i x l ip β (x i )(1 p β (x i )), i=1 i=1

2.4 Dimensions explicatives, variables explicatives 19 Algorithme 1 maximisation de la vraisemblance Require: β 0 k 1 repeat β k+1 β k + A k L n (β k ) k k + 1 until β k+1 β k et/ou L n (β k+1 ) L n (β k ) en écriture matricielle nous obtenons 2 L n (β) = n x i x i p β(x i )(1 p β (x i )) = X W β X, i=1 où W β est la matrice diagonale diag (p β (x i )(1 p β (x i )), i = 1,..., n. Nous pouvons maintenant exprimer β k+1 en fonction de β k : β k+1 = β k + (X W β kx) 1 X (Y P β k) = (X W β kx) 1 X W β k(xβ k + W β k 1 (Y P β k)) = (X W β kx) 1 X W β kz k, où Z k = Xβ k +W 1 β k (Y P β k). Cette équation est simplement une régression pondérée du vecteur Z k où les poids W β k dépendent de X et β k ; d où le nom de IRLS pour cette méthode. Les poids sont réévalués à chaque étape de l algorithme, une étape étant une simple régression pondérée. 2.4 Dimensions explicatives, variables explicatives Les remarques formulées dans cette partie s appliquent pour la plupart des modèles de régression (modèles linéaires et d analyse de variance par exemple). Pour plus de détails, on pourra se rapporter aux ouvrages de Droesbeke et al (2007) et Cornillon & Matzner-Løber (2007). On rappelle que la dimension d un modèle paramétrique (identifiable) {H, {P θ, θ Θ}} est la dimension de l espace des paramètres Θ. Pour le modèle logistique, les lois sont déterminées par logit p β (x) = β 0 + β 1 x 1 +... + β p x p. Tout comme pour le modèle linéaire, la dimension d un modèle logistique s obtient en sommant les dimensions explicatives associées aux différentes variables explicatives du modèle, lesquelles varient suivant la nature de la variable explicative. Nous étudions dans cette partie les dimensions explicatives pour des variables explicatives quantitatives et qualitatives. Nous étudierons également les cas d interactions entre variables. 2.4.1 Variable explicative quantitative Si on dispose d une seule variable explicative X quantitative (non regroupée en classe) le modèle s écrit logit p β (x) = β 0 + β 1 x. Un seul coefficient (β 1 ) est alloué à X, cette variable est représentée par une seule colonne dans la matrice du design X. Sa dimension est donc égale à 1.

20 Analyse discriminante logistique 2.4.2 Variable explicative qualitative Tout comme pour le modèle d analyse de variance, une variable qualitative est représentée par les indicatrices associées aux différentes modalités. Considérons un modèle où la seule variable explicative est le sexe : logit p α (x) = α 0 + α F 1 F (x) + α H 1 H (x), (2.4) mais aussi logit p α (x) = (α 0 + α F ) + (α H α F )1 H (x). Il y a une infinité d écritures possibles... Le modèle (2.4) correspond à une matrice du design X à trois colonnes où la première colonne est une colonne de 1 et les deux dernières sont obtenues en effectuant un codage disjonctif complet pour chaque individu (le i ème terme de la 2 ème (resp. 3 ème ) colonne vaut 1 si le i ème individu de l échantillon est une femme (resp. un homme)). Par conséquent, la somme des deuxième et troisième colonnes vaut 1 ce qui rend l estimation impossible puisque la matrice X n est pas de plein rang (X W β X n est pas inversible et le modèle n est pas identifiable). Une solution pour pallier cette difficulté consiste à mettre une contrainte sur les coefficients α H et α F. La solution souvent utilisée par les logiciels est de supprimer une des colonnes de la matrice X, ce qui revient à considérer que le coefficient de la modalité associée à cette colonne est nul. Cette modalité est prise comme modalité de référence par rapport à laquelle on mesure des déviations. Le choix de cette modalité n a bien entendu pas d influence sur les lois P β. Il en a cependant une sur la valeur des coefficients estimés ainsi que sur leurs écarts types. Ainsi le nombre de coefficients significativement différents de 0 peut changer suivant le choix de la modalité de référence. Ceci montre clairement que, pour juger l apport d une variable qualitative, il n est pas pertinent d utiliser les tests de significativité des coefficients. Il sera préférable de réaliser un test entre modèles emboîtés (voir page 38). Exemple 2.3 Considérons le cas d une variable explicative à trois niveaux g 1, g 2, g 3. Les observations sont récoltées dans les tableaux suivants (équivalents) observation X Y 1 g 1 1 2 g 2 1 3 g 3 1 4 g 1 1 5 g 2 0 6 g 1 0 X #{Y = 1} #{Y = 0} g 1 2 1 g 2 1 1 g 3 1 0 On effectue une régression logistique sur R : > X <- factor(c("g1","g2","g3","g1","g2","g1")) > Y <- factor(c(1,1,1,1,0,0)) > model <- glm(y~x,family=binomial) > model Call: glm(formula = Y ~ X, family = binomial) Coefficients: (Intercept) Xg2 Xg3 0.6931-0.6931 17.8729

2.4 Dimensions explicatives, variables explicatives 21 Degrees of Freedom: 5 Total (i.e. Null); 3 Residual Null Deviance: 7.638 Residual Deviance: 6.592 AIC: 12.59 La modalité g 1 est ici prise comme modalité de référence. Le modèle estimé s écrit donc : 0.6931 si j = 1 logit ˆp(g j ) = logit p ˆβ(g j ) = 0 si j = 2 0.6931 + 17.8729 = 18.566 si j = 3. ou encore ˆp(g j ) = exp(0.6931) 1+exp(0.6391) = 2/3 si j = 1 1/2 si j = 2 (2.5) exp(18.566) 1+exp(18.566) si j = 3. Bien évidemment, changer la contrainte modifie l écriture du modèle mais ne modifie la loi de probabilité sous-jacente. Prenons par exemple, la modalité g 3 comme modalité de référence : > model1 <- glm(y~c(x,base=3),family=binomial) > model1 Call: glm(formula = Y ~ C(X, base = 3), family = binomial) Coefficients: (Intercept) C(X, base = 3)1 C(X, base = 3)2 18.57-17.87-18.57 Degrees of Freedom: 5 Total (i.e. Null); 3 Residual Null Deviance: 7.638 Residual Deviance: 6.592 AIC: 12.59 Il est par exemple facile de vérifier que les probabilités ˆp(g j ), j = 1, 2, 3 sont identiques à celles de (2.5). 2.4.3 Interactions Tout comme en analyse de la variance, on ne peut se contenter de modèles purement additifs. Reprenons l exemple développé dans Droesbeke et al (2007) (page 122). Nous considérons le cas où la variable Y représente le fait de faire (codé 1) ou non (codé 0) de la couture. On dispose de deux variables explicatives : l age et le sexe. Le modèle purement additif s écrit : logit p β (x) = β 0 + β 1 age + β 2 1 femme, la modalité homme a été choisie comme modalité de référence. Une telle écriture revient à supposer que les pentes sont identiques pour les hommes et les femmes (voir Figure 2.2). logit p β (x) Femmes logit p β (x) Femmes Hommes Hommes age Figure 2.2 Modèle additif. age Figure 2.3 Modèle avec interaction.

22 Analyse discriminante logistique A priori, il semble que les hommes ne font que très rarement de la couture quel que soit leur âge, il parait préférable de pouvoir utiliser un modèle du genre (voir Figure 2.3) : logit p(x) = β 0 + β 1 age + β 2 1 femme + β 3 age1 femme. Ce modèle revient à considérer l interaction entre les variables age et sexe. On rappelle que deux variables interagissent si l effet de l une sur Y diffère suivant les valeurs de l autre. Bien entendu, l ajout d une interaction augmente la dimension explicative du modèle. Le nombre de composantes supplémentaires s obtient en faisant le produit du nombre de dimensions des variables qui interagissent (ici les variables sexe et age sont de dimension 1, on rajoute donc une dimension). 2.5 Interprétation des coefficients β 0.2 0.8 0.0 1.0 0.0 1.0 0.3 0.7 β = 0 β = 0.5 β = 2 β = 10 Figure 2.4 P β (Y = 1 X = x) pour différentes valeurs de β. Nous avons représenté sur la Figure 2.4 l allure de la courbe représentative de la fonction x exp(xβ) 1+exp(xβ) pour différentes valeurs du paramètre β. On remarque que : pour de faibles valeurs de β on a une large plage de valeurs de x pour lesquelles la fonction se situe aux alentours de 0.5 (la fonction est même constante (0.5) dans le cas extrême β = 0). Pour ces valeurs p β (x) = P β (Y = 1 X = x) sera proche de 0.5 et on peut donc penser qu il sera difficile de discriminer ; lorsque β augmente, la zone où la fonction est proche de 0.5 diminue et la fonction est proche de 0 ou 1 pour un grand nombre de valeurs de x. Par conséquent, P β (Y = 1 X = x) sera souvent proche de 1 ou 0, ce qui risque de minimiser d éventuelles erreurs de prévisions. On peut interpréter ainsi : plus β est grand, mieux on discrimine. Cependant une telle interprétation dépend des valeurs que x prend (de son échelle). C est pourquoi en général l interprétation des coefficients β s effectue en termes d odds ratio. Les odds ratio sont des outils souvent appréciés dans le domaine de l épidémiologie (mais pas toujours bien utilisés!). Les odds ratio servent à mesurer l effet d une variable quantitative ou le contraste entre les effets d une variable qualitative. L idée générale est de raisonner en termes de probabilités ou de rapport

2.5 Interprétation des coefficients β 23 de cotes (odds). Si on a, par exemple, une probabilité p = 1/4 de gagner à un jeu, cela signifie que sur 4 personnes une gagne et les trois autres perdent, soit un rapport de 1 gagnant sur trois perdants, c est-à-dire p/(1 p) = 1/3. Ce rapport p/(1 p) varie entre 0 (0 gagnant) et l infini (que des gagnants) en passant par 1 (un gagnant pour un perdant). Définition 2.2 L odds (chance) pour un individu x d obtenir la réponse Y = 1 est défini par : odds(x) = p(x), où p(x) = P(Y = 1 X = x). 1 p(x) L odds ratio (rapport des chances) entre deux individus x et x est OR(x, x) = odds(x) odds( x) = p(x) 1 p(x). p( x) 1 p( x) Exemple 2.4 Supposons qu à un moment donné un cheval x a une probabilité p(x) = 3/4 de perdre. Cela signifie que sur 4 courses disputées, il peut espérer en gagner une et en perdre 3. L odds vaut 3/1 (3 défaites contre 1 victoire, on dit également que ce cheval est à 3 contre 1). Pour la petite histoire, si l espérance de gain était nulle, cela signifierait que pour 10 euros joués, on peut espérer 30 euros de bénéfice si le cheval gagne). Le rapport p(x)/(1 p(x)) varie entre 0 (que des victoires) et l infini (que des défaites) en passant par 1 (une victoire pour une défaite). Les odds ratio peuvent être utilisés de plusieurs manières : 1. Comparaison de probabilités de succès entre deux individus (voir Tableau 2.2) ; OR(x, x) > 1 p(x) > p( x) OR(x, x) = 1 p(x) = p( x) OR(x, x) < 1 p(x) < p( x) Table 2.2 Règles d interprétation des odds ratio. 2. Interprétation en termes de risque relatif : dans le cas où p(x) et p( x) sont très petits par rapport à 1, comme dans le cas d une maladie très rare, on peut faire l approximation OR(x, x) p(x)/p( x) et interpréter simplement. Par exemple si OR(x, x) = 4 alors la réponse (maladie) est 4 fois plus probable dans le cas où X = x que dans le cas où X = x. 3. Mesure de l impact d une variable : pour le modèle logistique il est facile de vérifier que logit p β (x) = β 0 + β 1 x 1 +... + β p x p, OR(x, x) = exp(β 1 (x 1 x 1 ))... exp(β p (x p x p )). Pour mesurer l influence d une variable sur l odds ratio, il suffit de considérer deux observations x et x qui diffèrent uniquement par la j ème variable. On obtient alors OR(x, x) = exp(β j (x j x j )). Ainsi une variation de la j ème variable d une unité (sur l échelle de cette variable) correspond à un odds ratio exp(β j ) qui est uniquement fonction du coefficient β j. Le coefficient β j permet de mesurer l influence de la j ème variable sur le rapport p β (x)/(1 p β (x)) lorsque x j varie d une unité, et ceux indépendamment de la valeur de x j. Une telle analyse peut se révéler intéressante pour étudier l influence d un changement d état d une variable qualitative.

24 Analyse discriminante logistique Exemple 2.5 Reprenons l exemple des cotes pour les courses de chevaux. On cherche a expliquer la performance d un cheval en fonction du jockey qui le monte. Pour simplifier on suppose que l on a que deux jockeys A et B. On désigne par Y la variable aléatoire qui prend pour valeurs 0 si le cheval remporte la course, 1 sinon. On considère le modèle logistique logit p β (x) = β 0 + β 1 1 x=b. On a OR(B, A) = exp(β 2 ). Imaginons que pour un échantillon de taille n on obtienne une estimation ˆβ 2 = log(2). On a alors OR(B, ˆ A) = 2, ce qui signifie que la cote du cheval est multipliée par 2 lorsqu il est monté par B par rapport à A. 2.6 Précision des estimateurs et tests 2.6.1 Loi asymptotique Nous avons obtenu dans le théorème 2.1 le comportement asymptotique de l estimateur du maximum de vraisemblance ˆβ : n( ˆβ β) L N (0, I(β) 1 ), où I(β) est la matrice d information de Fisher au point β. On déduit ( ˆβ β) ni(β)( ˆβ β) L χ 2 p+1. Un tel résultat n est pas utilisable tel quel puisque la matrice I(β) est inconnue. On remarque que d après la loi des grands nombres Î(β) kl = 1 n n i=1 2 = 1 n (X W β X) kl, 2 L 1 (Y i, β) = 1 β k β l n β k β l n L 1 (Y i ; β) = 1 2 L n (Y 1,..., Y n, β) n β k β l converge presque surement vers I(β) kl. Comme ˆβ converge faiblement vers β, on obtient grace au théorème de Slutsky et aux opérations classiques sur la convergence en loi avec ˆΣ = (X W ˆβX). 2.6.2 Intervalles de confiance i=1 ( ˆβ β) ˆΣ( ˆβ β) L χ 2 p+1 (2.6) On déduit du paragraphe précédent qu un estimateur de la variance de ˆβ j est donné par le j ème terme de la diagonale de ˆΣ 1. Notons ˆσ j 2 cet estimateur. Il vient ( ˆβ j β j ) 2 ˆσ 2 j L χ 2 1 ou encore ˆβ j β j ˆσ j L N (0, 1). (2.7) Un intervalle de confiance (asymptotique) de niveau 1 α pour β j est donc donné par [ IC 1 α (β j ) = ˆβj u 1 α/2ˆσ j ; ˆβ ] j + u 1 α/2ˆσ j,

2.6 Précision des estimateurs et tests 25 où u 1 α/2 représente le quantile de niveau (1 α/2) de la loi normale N (0, 1). La validité de ces intervalles est relative puisqu il s agit d une approximation valable asymptotiquement. Il est toujours possible de compléter cette étude par un bootstrap afin d obtenir d autres intervalles de confiance dans le cas ou ceux-ci sont particulièrement importants. Cela dit, en pratique, on se contente de l intervalle de confiance bâti grâce à la matrice d information de Fisher. On déduit également de (2.7) les tests de nullité des coefficients du modèle. On note H 0 : β j = 0 et H 1 : β j 0, alors sous H 0, ˆβ j /ˆσ L j N (0, 1). On rejettera H 0 si la valeur observée de ˆβ j /ˆσ j dépasse en valeur absolue le quantile d ordre 1 α/2 de la loi N (0, 1). Exemple 2.6 Reprenons l exemple du TP1. Un chef d entreprise souhaite vérifier la qualité de ces machines en fonction de l âge et de la marque des moteurs. Il dispose d une variable binaire Y (1 si le moteur a déjà connu une panne, 0 sinon) ; d une variable quantitative age repésentant l âge du moteur ; d une variable qualitative a 3 modalités marque représentant la marque du moteur. On souhaite expliquer la variable Y à partir des deux autres variables. On construit un modèle logistique permettant d expliquer Y par l age du moteur et sa marque. > model <- glm(panne~.,data=donnees,family=binomial) On obtient les variances estimées des estimateurs via > P <- predict(model,type="response") > W <- diag(p*(1-p)) > X1 <- rep(1,n) > X2 <- donnees$age > X3 <- as.numeric(donnees$marque==1) > X4 <- as.numeric(donnees$marque==3) > X <- matrix(c(x1,x2,x3,x4),ncol=4) > #ecarts types estimes > sqrt(diag(solve(sigma))) [1] 0.83301450 0.09398045 0.81427979 1.05357830 Bien évidemment, on peut retrouver ces écarts types ainsi que les probabilités critique des tests de nullité des coefficients avec > summary(model) Call: glm(formula = panne ~., family = binomial, data = donnees) Deviance Residuals: Min 1Q Median 3Q Max -1.4232-1.2263 0.9082 1.1062 1.5982 Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) 0.47808 0.83301 0.574 0.566 age 0.01388 0.09398 0.148 0.883 marque1-0.41941 0.81428-0.515 0.607 marque3-1.45608 1.05358-1.382 0.167 (Dispersion parameter for binomial family taken to be 1)

26 Analyse discriminante logistique Null deviance: 45.717 on 32 degrees of freedom Residual deviance: 43.502 on 29 degrees of freedom AIC: 51.502 2.6.3 Tests de nullité de q coefficients libres La théorie du maximum de vraisemblance nous donnant la loi (asymptotique) des estimateurs, il est possible de tester la significativité des variables explicatives. Pour cela, trois tests sont généralement utilisés : Le test de Wald ; Le test du rapport de vraisemblance ou de la déviance. Le test du score ; Les hypothèses s écrivent : H 0 : β j1 = β j2 =... = β jq = 0 contre H 1 : k {1,..., q} : β jk 0. Pour alléger les notations, nous supposons sans perte de généralité que nous testons la nullité des q premiers coefficients du modèle H 0 : β 0 = β 1 =... = β q 1 = 0 contre H 1 : k {0,..., q 1} : β k 0. Test de Wald Il est basé sur (2.6). On note β 0,...,q 1 le vecteur composé des q premières composantes de β et ˆΣ 0,...,q la matrice bloc composée des q premières lignes et colonnes de ˆΣ 1. Il est 1 facile de voir que sous H 0 ˆβ 0,...,q 1 ˆΣ 0,...,q ˆβ0,...,q 1 L χ 2 q. Test du rapport de vraisemblance ou de la déviance La statistique de test est basée sur la différence des rapports de vraisemblance entre le modèle complet et le modèle sous H 0. On note ˆβ H0 l estimateur du maximum de vraisemblance contraint par H 0 (il s obtient en supprimant les q premières variables du modèle). On a alors sous H 0 2(L n ( ˆβ) L n ( ˆβ H0 )) L χ 2 q. Test du score On cherche ici à vérifier si la fonction de score (gradient de la log-vraisemblance) est proche de 0 sous H 0. Sous H 0 on a où ˆΣ H0 = X W ˆβH0 X. S( ˆβ H0 ) ˆΣ 1 H 0 S( ˆβ H0 ) L χ 2 q, Pour ces 3 tests, on rejette l hypothèse nulle si la valeur observée de la statistique de test dépasse le quantile d ordre 1 α de la loi χ 2 q. Pour la preuve des convergences des statistiques du maximum de vraisemblance et du score, on pourra se référer à l annexe D de Antoniadis et al (1992). La figure 2.5 permet de visualiser les trois tests. Le test du score revient à tester la nullité de la pente en ˆβ H0 ( ˆβ sous H 0 ), le test de Wald la nullité de la distance entre ˆβ et ˆβ H0 et le test du rapport de vraisemblance la nullité de la différence entre les vraisemblances en ces deux points.

2.6 Précision des estimateurs et tests 27 L n (β) l max Test du rapport des vraisemblances Test de Wald Test du score l 0 Log-vraisemblance ˆβ H0 ˆβ β Figure 2.5 Rapport de vraisemblance, score, test de Wald. Remarque 2.2 La PROC LOGISTIC sous SAS réalise les trois tests pour H 0 : β 1 = β 2 =... = β p = 0. Pour les tests variable par variable ou paramètre par paramètre la PROC LOGISTIC utilise le test de Wald. H 0 : β j = 0 contre H 1 : β j 0, Exemple 2.7 Reprenons l exemple précédent. Le modèle s écrit logit p β (x) = β 0 + β 1 age + β 2 1 marque=1 + β 3 1 marque=3, la modalité 0 de la variable marque est prise comme modalité de référence. On éffectue les 3 tests présentés ci-dessus pour H 0 : β 1 = β 2 = β 3 = 0 H 1 : j {1, 2, 3} β j 0. Le calcul des statistiques de test et des probabilités critiques s obtient avec les commandes > #test de Wald > Sigma <- t(x)%*%w%*%x > inv_sigma <- solve(sigma) > inv_sigmah0 <- inv_sigma[2:4,2:4] > betah0 <- coef(model)[2:4] > statwald <- t(betah0)%*%solve(inv_sigmah0)%*%betah0 > pcwald <- 1-pchisq(statWald,df=3) > pcwald [,1] [1,] 0.5655233 > #test du rapport de vraisemblance > modelh0 <- glm(panne~1,data=donnees,family=binomial) > statrappvrais <- 2*(logLik(model)-logLik(modelH0)) > pcrappvrais <- 1-pchisq(statRappvrais,df=3)

28 Analyse discriminante logistique > pcrappvrais[1] [1] 0.528955 > #test du score > prevh0 <- predict(modelh0,type="response") > scoreh0 <- t(x)%*%(as.numeric(donnees$panne)-1-prevh0) > WH0 <- diag(prevh0*(1-prevh0)) > SigmaH0 <- t(x)%*%wh0%*%x > statscore <- t(scoreh0)%*%solve(sigmah0)%*%scoreh0 > pcscore <- 1-pchisq(statscore,df=3) > pcscore [,1] [1,] 0.5392691 Ces 3 tests acceptent l hypothèse nulle. 2.7 Le schéma d échantillonnage rétrospectif Jusqu à présent nous avons considéré un échantillon (X 1, Y 1 ),..., (X n, Y n ) i.i.d. de même loi que (X, Y ). Cette phase d échantillonnage n est pas nécessairement toujours la mieux adaptée. Considérons l exemple suivant. Exemple 2.8 Une clinique cherche à mesurer l effet du tabac sur le cancer du poumon. Elle prélève parmi ses patients un échantillon composé de n 1 = 250 personnes atteintes par le cancer et n 0 = 250 personnes ne présentant pas la maladie. Les résultats (simulés!)de l étude sont présentés dans le tableau suivant : Fumeur Non fumeur Non malade 48 202 Malade 208 42 Table 2.3 Résultats de l enquête. Le statisticien responsable de l étude réalise un modèle logistique. Les sorties sur R sont : Call: glm(formula = Y ~ X, family = binomial) Coefficients: (Intercept) Xnon_fumeur 1.466-2.773 Degrees of Freedom: 499 Total (i.e. Null); Null Deviance: 692.3 Residual Deviance: 499.9 AIC: 503.9 498 Residual On obtient p ˆβ(fumeur) = 0.812, ce qui peut paraître un peu élevé. La valeur surprenante d une telle estimation vient du fait que l échantillonnage n est pas fait selon protocole précédent : il est fait conditionnellement à Y. Il est facile de voir que les répartitions d individus selon la variable Y ne sont pas les mêmes dans la population et dans l échantillon. Ceci va entrainer un biais au niveau des estimateurs. On peut modéliser le schéma d échantillonnage rétrospectif de la manière suivante.

2.7 Le schéma d échantillonnage rétrospectif 29 Le schéma d échantillonnage On s intéresse toujours à la loi conditionnelle de Y X qui est une bernoulli de paramètre p β (x) telle que logit p β (x) = β 0 + β 1 x 1 +... + β p x p. On désigne toujours par P X la loi de X. La différence ici est que l échantillon n est pas i.i.d. de même loi que (X, Y ). On désigne par S une variable aléatoire qui prend pour valeur 0 et 1 et par τ 1 et τ 0 les taux de sondage P(S = 1 Y = 1) et P(S = 1 Y = 0). Pour un individu (x, y) généré selon P X,Y, on tire une réalisation s de S selon une loi de Bernoulli de paramètre τ y, si s = 1 on garde (x, y) dans l échantillon, sinon on le jette. On répète le protocole jusqu à obtenir n individus. Le modèle logistique Ici un individu est représenté par un triplet (X, Y, S) et l échantillon constitué s écrit (x 1, y 1, 1),..., (x n, y n, 1). Le modèle étudié pour ce schéma d échantillonnage est donc M n = {{0, 1} n, B(p γ (x 1 )... B(p γ (x n )), γ R p+1 } avec logit p γ (x) = logit P γ (Y = 1 X = x, S = 1) = γ 0 + γ 1 x 1 +... + γ p x p. Ainsi, il suffit d appliquer tout ce qui a été vu dans ce chapitre pour obtenir les estimateurs des γ j (on déduit également les intervalles de confiance, test...). La question qui se pose est : comment retrouver p β (x) en connaissant p γ (x)? Propriété 2.2 Avec les notations ci dessus, on a par conséquent logit p γ (x) = logit p β (x) + log τ 1 τ 0, ( logit p β (x) = log γ 0 τ ) 1 + γ 1 x 1 +... + γ p x p. τ 0 Preuve. Il suffit de remarquer que grâce au théorème de Bayes on a p γ (x) = p β(x)p(s = 1 Y = 1, X = x) P(S = 1) = p β(x)p(s = 1 Y = 1). P(S = 1) Ce résultat est intéressant puisqu il implique que le biais dû au mode d échantillonnage est exclusivement concentré sur la constante du modèle. Si de plus on connait les taux de sondage, alors on peut corriger ce biais. Il s agit là d une propiété spécifique au modèle logistique. Ce schéma d échantillonnage est souvent utilisé lorsque les probabilités π i = P(Y = i) (probabilité d appartenance au groupe i) sont très différentes les unes des autres. Dans de tels cas, le schéma classique conduit à travailler avec des effectifs trop petits dans certains groupes, alors que le schéma rétrospectif permet de travailler avec des effectifs comparables. Par exemple, en diagnostic médical, on a souvent des problèmes de discrimination entre deux groupes où l un des groupes (1 par exemple) est associé à une maladie et l autre est caractéristique de l absence de cette maladie. Dans de telles situations, on a bien sûr π 1 beaucoup plus petit que π 0. L usage consiste alors à étudier deux échantillons de taille à peu près équivalente (n 1 n 0 ), le premier étant celui des malades, le second celui des individus sains.